高校生成式人工智能治理的国际经验

生成式人工智能（AI）正深刻地改变着全球高等教育的面貌，其应用已渗透到学生写作、教师备课和高校管理等各个环节。这种颠覆性技术在提高效率的同时，也带来了学术诚信、数据安全和伦理责任等方面的挑战。因此，如何在利用AI赋能教育与防控风险之间取得平衡，探索适应AI时代的高校治理新模式，已成为全球高等教育界面临的共同课题。

价值导向：从技术限制转向教育赋能

生成式AI进入高等教育领域，不仅是技术工具的引入，更引发了对教育本质和未来人才培养目标的深刻反思。全球高校在AI治理方面形成了三种主要立场：全面禁止、有条件开放以及深度融合与教育重塑。这三种立场反映了技术发展的不同阶段，也体现了高校在坚守教育传统与拥抱技术变革之间的价值取舍。

在AI技术兴起初期，一些高校和教育管理机构采取了谨慎的防范态度，严格限制其使用。其核心目的是维护现有的教育秩序，担忧学生过度依赖AI会削弱其独立思考和原创能力。同时，传统的学术诚信规范也使得高校在面对可能替代人类智力劳动的AI时，倾向于采取保守策略。例如，美国纽约市教育局在2023年初曾因担心影响教学质量而禁止在校内使用ChatGPT，尽管该禁令后来被解除，但其体现的审慎态度是传统教育模式在面对技术冲击时的典型反应。

随着AI技术能力的增强及其在教育领域的广泛应用，越来越多的高校认识到，简单的禁止令难以执行且不符合时代潮流，因此逐步转向有条件开放的治理模式。高校治理的重点从“严禁使用”转移到“规范使用”，普遍发布详细的AI使用指南，明确基本原则。例如，英国牛津大学在2024年发布的指南区分了AI的允许和禁止使用场景，支持学生利用AI辅助学术技能提升和课程学习，但强调AI不能替代人类的批判性思维和学术论证。这种以规范引导的治理方式，在保障学术底线的同时，为AI技术的审慎探索留下了空间。

在此基础上，部分高校进一步超越了风险应对的层面，采取了以教育赋能为导向的积极策略，将AI视为推动教育范式转型的关键工具。通过制度设计和资源投入，这些高校主动促进AI与教学、科研、管理的深度融合。例如，美国亚利桑那州立大学在2024年与OpenAI达成深度合作，将AI工具应用于课程教学、科研支持和行政管理，探索人机协同的新型教育模式。这一转变标志着高校治理逻辑的深化，即从“让技术适应教育”转变为“让教育因技术而发展”。当AI被纳入制度化轨道并与教育目标协同推进时，其价值不仅体现在效率的提升，更在于对教育范式的重塑。

规则构建：多层次规范体系界定AI使用界限

在“有条件开放”和“教育赋能”的治理取向下，负责任地使用AI是共同前提，需要通过具体的行为规范来落实。全球高校正围绕AI的使用，在学术诚信、数据安全和责任归属等关键领域逐步形成一套系统性规则，将抽象的治理理念转化为师生可执行、可问责的具体规范，从而为AI应用划定明确的界限。

学术诚信是高校在AI治理中最核心的问题。AI辅助生成的成果在原创性方面存在争议。为此，国际高校普遍从三个方面调整学术诚信规范：一是更新学术不端的定义，将“未经授权使用AI”纳入作弊或剽窃的范畴；二是细化不同教学场景下的使用界限，区分允许和禁止使用的环节，例如允许在资料搜集等辅助性环节使用，但严格禁止在核心内容创作等关键环节使用；三是强制披露AI使用情况，要求学生在提交成果时说明使用的工具名称、具体使用环节以及AI生成内容的比例，将过程透明化作为合规的前提。值得注意的是，在AI检测方面，国际高校持审慎态度。鉴于当前AI检测工具存在较高的误判率，且可能对非母语者文本产生偏见并引发数据隐私风险，包括麻省理工学院在内的许多高校并不主张将技术检测结果作为唯一判定依据，而是结合人工判断进行综合评估。

数据安全是高校AI治理中的一项硬性约束。用户输入AI的信息可能被用于模型训练，这会威胁到学生隐私和高校的敏感数据。因此，多数国际高校已建立明确的数据安全行为规范，禁止将个人隐私、敏感信息或本校数据上传至未经授权的AI平台，并鼓励师生优先使用学校认证的安全工具。在风险防控实践中，数据分级管理是一种有效的经验。例如，哈佛大学将数据分为五个层级，从可公开到高度敏感，明确禁止将机密数据输入公共AI工具。同时，为了平衡安全与效率，杜克大学等高校积极推动校园AI大模型的建设，引导师生使用学校授权的企业版或私有化部署工具。这种“堵疏结合”的策略表明，数据安全治理并非简单的限制，而是通过制度化安排为技术应用划定安全边界。

此外，基于AI的人机共创使得内容生产的责任归属问题变得复杂，这要求高校在制度层面明确责任归属原则。全球高校在此问题上存在共识：首先，明确AI输出的内容可能存在偏见或错误，要求使用者进行核查，并对最终成果承担全部责任；其次，禁止将AI工具列为作者，以确保人类在学术活动中的主体地位。这一规则设计的根本逻辑在于，AI可以作为辅助工具提升效率，但不能替代人类判断，更不能转移应由人承担的学术和伦理责任。

能力建设：赋能AI的有效应用

仅仅依靠规则约束和事后问责，难以有效应对AI持续演进带来的复杂挑战。全球高校逐渐认识到，治理重点应从设定行为规范扩展到深层次的能力建设。通过素养培育和资源支持，使师生真正具备理解和驾驭AI的能力，才能实现AI对教育的赋能。联合国教科文组织在2019年发布的《北京共识——人工智能与教育》中提出，应“采取体制化的行动，提高社会各个层面所需的基本人工智能素养”。

AI素养并非单纯的技术操作技能。国际研究普遍将AI素养划分为多个递进的层次：从基础的技术认知和功能理解，到熟练的工具运用和任务整合，再到对生成内容的批判性评估和创造性应用，最终能够为复杂情境下的伦理判断和责任决策提供依据。这种素养观的核心在于实现技术“为我所用”而非被其主导。在此框架下，AI时代高校人才培养的重点，不再局限于知识和技能的传授，而更加重视基于AI的批判性思维能力和学术研究能力的培养，以适应知识生产方式和职业实践的变化。

在学生赋能方面，《北京共识》建议利用AI“促进学习和学习评价”。在此目标下，国内外高校从课程体系重构和学习方式转型两方面展开探索。在课程建设方面，一种路径是将AI嵌入专业学习中。例如，新加坡国立大学将AI编程工具引入计算机专业课程，在夯实学科基础的同时，帮助学生积累人机协同开发的经验，以适应AI重塑的产业环境。另一种路径是开设AI通识课程。例如，南京大学为本科生开设了AI通识课程体系，整合了技术原理、伦理规范和行业前沿应用，构建了适应时代发展的知识结构。此外，一些高校还探索将AI融入学习评价环节，通过过程性评价和个性化反馈，提升学生的自主学习效果。

在教师赋能方面，《北京共识》强调利用AI“赋能教学和教师”。在此目标下，国内外高校逐步构建系统化的支持体系：一是提供培训项目或资源，帮助教师掌握AI在教学中的应用方法，例如墨尔本大学推出的“AI for Teaching and Education”系列资源，为教师提供适应时代需求的教学支持；二是开发轻量化自助工具与平台，降低技术使用门槛，如斯坦福大学和复旦大学的人工智能共创平台，为教师提供了便捷的探索空间；三是设立专项基金与研究计划，鼓励教师开展基于AI的教学与科研探索，例如卡内基梅隆大学的“生成式人工智能教学研究计划”以及中国人民大学的“AI赋能科研创新应用”资助项目。这些举措从素养提升、工具支持和制度激励等多个维度协同推进，有效增强了教师在智能化环境下开展教学创新的能力和意愿。

全球高校对AI的治理已超越单纯的技术风险防控，迈向关于价值、规则和能力的系统性重构。面向未来，应继续坚持以人为本，推动AI与高等教育深度融合，在技术发展的浪潮中把握教育变革的主动权，从而培养适应时代发展的高素质人才。